Reacción en cadena de la polimerasa (PCR) - FBMC

Genómica Aplicada
Verano 2012
bres de los metabolitos y sus intensidades); copiar los datos de cada muestra (los pesos frescos deberían aparecer debajo
del número de muestra) y ubicar los datos del ribitol en la primera fila. La estandarización se realiza: dividiendo el
valor de intensidad de cada metabolito por la intensidad del ribitol y multiplicando por el peso fresco de la muestra
(valor estandarizado = intensidad/int. Ribitol/ FW).
27.7) Una vez que todos los valores han sido estandarizados, se procede al análisis estadístico de los datos, calculando
la media y desviación estándar para cada muestra, y relativizando el nivel de cada metabolito al control. Recordar que
la aproximación propuesta en este trabajo NO permite la cuantificación absoluta de los compuestos, sino relativa al
control. Para obtener valores absolutos, es necesario realizar una curva patrón –con concentraciones conocidas del/los
compuesto/s que se desea cuantificar.
27.8) Finalmente puede utilizarse algún estadístico (una prueba de comparación de punto a punto --un test de Student-
) para evaluar las diferencias entre el control y las muestras.
Bibliografia recomendada:
Carrari F, Baxter C, Usadel B, Urbanczyk-Wochniak E, Zanor MI, Nunes-Nesi A, Nikiforova V, Centeno D, Ratzka A, Pauly M, Sweetlove
L, Fernie AR. 2006. Integrated Analysis of Metabolite and Transcript Levels Reveals the Metabolic Shifts that Underlie Tomato Fruit Development
and Highlight Regulatory Aspects of Metabolic Network Behavior. Plant Physiology 142(4):1380-1396.
Fernie AR, Trethewey RN, Krotzky AJ and Willmitzer L. (2004). Metabolite profiling: from diagnostics to systems biology. Nature Reviews
Molecular Cell Biology 5: 1-7.
Lisec J, Schauer N, Kopka J, Willmitzer L, Fernie AR. (2006). Gas chromatography mass spectrometry–based metabolite profiling in plants.
Nature Protocols 1: 387-396.
Luedemann A, Strassburg K, Erban A, Kopka J (2008) TagFinder for the quantitative analysis of gas chromatography - mass spectrometry
(GC-MS) based metabolite profiling experiments. Bioinformatics 24:732–737
Schauer N, Semel Y, Roessner U, Gur A, Balbo I, Carrari F, Pleban T, Perez-Melis A, Bruedigam C, Kopka J, Willmitzer L, Zamir D,.
Fernie AR. 2006. Comprehensive metabolic profiling and phenotyping of interspecific introgression lines for tomato improvement. Nature Biotechnology
24(4): 447-454
Trabajo Práctico 13: Hacia la biología de sistemas: integración de datos transcriptómicos y metabólicos para
el estudio de rutas metabólicas mediante redes neuronales
Docentes: Laura Kamenetzky y Mariana López Diseñado por. Laura Kamenetzky
Introducción
La gran cantidad de datos que se generan con las tecnologías “ómicas” requiere contar con herramientas para la integración
y análisis de datos heterogéneos (genómicos, transcriptómicos, metabolómicos, fenotípicos, fenómicos,
entre otros). La correlación resultante de la integración de este tipo de datos se interpreta, desde un punto de vista biológico,
como una regulación coordinada entre elementos de diferente origen (por ej transcriptos y metabolitos). Para la
integración se utilizan métodos de agrupamiento (clustering) donde se exploran los datos desde el punto de vista de la
existencia o no de relaciones y éstos se clasifican en clases. Existen diversos métodos de agrupamiento aplicables en el
área biológica, uno de los más usados es el agrupamiento jerárquico (hierarchical cluster, HC). Con este método los
resultados son representados en forma de dendograma que muestra las relaciones entre los datos generados por una
matriz de distancia. En cambio, para resultados obtenidos con algoritmos de tipo no-jerárquico, se calculan primero
las distancias a partir de un número predeterminado de grupos y luego se van colocando de forma iterativa los datos en
los diferentes grupos hasta minimizar la dispersión interna de cada uno. El algoritmo más representativo de este tipo
de agrupación es el de k-media. Para mejorar el desempeño de los algoritmos mencionados, se ha propuesto otro tipo
de métodos como son los basados en técnicas de inteligencia computacional y en particular las redes neuronales artificiales
del tipo mapas autoorganizativos (SOM del ingles Self-Organizing Maps) (Kohonen, 1982). Estos métodos han
probado ser adecuados para manejar grandes dimensiones como las que se generan a partir de un alto volumen de datos
y evidenciar, al mismo tiempo, patrones de relaciones ocultas en los datos (Hiraí el al., 2004). Especialmente en
cuanto a la integración de datos de diferentes tipos, recientemente se ha propuesto un modelo para la agrupación y
visualización de transcriptos y metabolitos en frutos de tomate de diferentes líneas de introgresión (IL) (Stegmayer et
al., 2009). Asimismo se ha desarrollado un software (Milone et al., 2010) que permite utilizar este modelo facilitando
la obtención de clusters (o neuronas) y a su vez permite visualizar los agrupamientos de manera de extraer la máxima
información de este tipo de datos (anotación de genes, rutas metabólicas, entre otros).
En este trabajo práctico se emplearán como datos de entrada los perfiles transcripcionales y metabólicos obtenidos
a partir de frutos de tomate de 21 líneas de introgresión (IL). Las ILs fueron obtenidas utilizando como parentales a la
especie cultivada Solanum lycopersicum y la especie silvestre Solanum pennelli (Eshed and Zamir, 1995). Estas ILs
contienen, en homocigosis, un segmento de cromosoma de la especie silvestre en el fondo genético de la especie cultivada.
Si se comparan estas líneas con el parental puede inferirse que los cambios son producto de la región introgresada.
Los perfiles metabólicos se obtuvieron mediante la técnica de GC-MS. Los datos de expresión de genes se obtuvieron
del laboratorio colaborador del Dr. Jim Giovanonni (Boyce Thompson Institute) utilizando la plataforma de TOM2
(http://ted.bti.cornell.edu/cgi-bin/TFGD/array/array_fabrication.cgi) que consiste en microarreglos de 12860 clones
EST que representan ~8,500 loci independientes de tomate. Los datos fueron filtrados por calidad de cada spot siguiendo
la metodología propuesta por Polanski and Kimmel (2007).
Objetivo
34